ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Nguyễn Thế Hoàng Anh
NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ PHƯƠNG PHÁP DỰA TRÊN
HỌC MÁY PHỤC VỤ PHÂN TÍCH VÀ XỬ LÝ TÍN HIỆU ĐIỆN NÃO
HƯỚNG TỚI XÂY DỰNG HỆ GIAO DIỆN NÃO – MÁY TÍNH
Chuyên ngành: Khoa học máy tính
Mã số: 9480101.01
TÓM TẮT LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH
Hà Nội – 2019
2
Công trình được hoàn thành tại: Trương Đại học Công nghê, Đại học Quốc
gia Hà Nôi
Ngươi hướng dẫn khoa học: PGS.TS. Bùi Thế Duy
PGS. TS. Lê Thanh Hà
Phản biên: ...................................................................................................
..................................................................................................
Phản biên: ...................................................................................................
..................................................................................................
Phản biên: ...................................................................................................
..................................................................................................
Luận án sẽ được bảo vê trước Hôi đồng cấp Đại học Quốc gia chấm luận án
tiến sĩ họp tại ........................................................................................................
vào hồi giơ ngày tháng năm
Có thể tìm hiểu luận án tại:
- Thư viên Quốc gia Viêt Nam
- Trung tâm Thông tin - Thư viên, Đại học Quốc gia Hà Nôi
3
PHẦN MỞ ĐẦU
1. Tính cấp thiết
Não bô là môt trong những cơ quan quan trọng nhất, về cơ bản chịu trách nhiêm điều phối toàn bô
các cơ quan khác trong cơ thể con ngươi. Cơ chế hoạt đông của não bô là môt vấn đề rất phức tạp, đến nay
khoa học chưa có lơi giải rõ ràng. Nếu não bô hoạt đông không bình thương có thể do các vấn đề tâm lý hay
xáo trôn về cấu trúc sinh học, môt số bênh liên quan có thể xuất hiên như suy giảm trí nhớ, tự kỷ/trầm cảm,
Parkinson, đôt qụy… Tín hiêu điên não là môt cách tiếp cận phù hợp để có thể đánh giá tình trạng của não
bô trong các trương hợp kể trên do chất lượng tín hiêu tốt, đô phân giải cao, tính linh đông của thiết bị, an
toàn và giá thành hợp lý trong điều kiên Viêt Nam nếu so sánh với các phương pháp thu tín hiêu từ não bô
khác như Chụp công hưởng từ, Chụp cắt lớp, điên não đồ xâm lấn…
Giao diên não-máy tính (Brain Computer Interface - BCI) chính là môt phương thức truyền thông
cho phép kết nối máy tính để xử lý và hiểu được tín hiêu sinh ra từ bô não. BCI là môt giải pháp hữu ích cho
ngươi bị các bênh như xơ cứng teo cơ môt bên (ALS) hay bênh nhân trong tình trạng nghiêm trọng không cử
đông và điều khiển được các bô phận của cơ thể. Giao điên não máy tính cho phép chuyển tải thông điêp
ngươi sử dụng muốn chỉ thông qua tín hiêu đã được phân tích, xử lý và “dịch” bởi hê thống mà không cần
bất kỳ can thiêp nào khác. Trong các phương thức thu tín hiêu có thể được sử dụng để thực hiên hê BCI, tín
hiêu điên não là cách thức phổ biến nhất (Kevric, J. và Subasi, A., 2017)
2. Mục tiêu của luận án
- Luận án này đã phát triển môt qui trình thu nhận dữ liêu với thiết kế thí nghiêm riêng để đảm
bảo phù hợp với hê thống BCI có khả năng điều khiển các thiết bị điên tử gia dụng thông minh.
- Phát triển phương pháp tăng cương chất lượng điên não dựa trên học máy, cụ thể là loại bỏ
thành phần tín hiêu điên não không mong muốn trong đó tín hiêu điên não bất thương sinh ra do nháy mắt
EOG để tăng hiêu quả hoạt đông của hê BCI.
- Phát triển các phương pháp phân tích, xử lý tín hiêu điên não dựa trên các phương pháp học
máy trong đó bao gồm viêc kiểm thử các phương pháp học có giám sát và không giám sát. Đối với các
phương pháp phân tích tín hiêu điên não dựa trên học có giám sát, kết quả phân loại tín hiêu sẽ cho thấy mô
hình đã được huấn luyên có thể học và làm tốt đến đâu với dữ liêu tín hiêu điên não đầu vào đã được gán
nhãn. Trong trương hợp xử lý tín hiêu điên não với phương pháp học không giám sát, luận án sẽ kiểm chứng
viêc môt thuật toán học máy trong trương hợp cụ thể này có thể làm tốt đến đâu khi đã biết nhiêm vụ nhưng
chưa thực sự thực hiên nhiêm vụ này bao giơ. Suy rông ra là mục tiêu chứng tỏ các hê thống trí tuê nhân tạo
có khả năng tự học và suy diễn để thực hiên các nhiêm vụ được đặt ra như khả năng suy luận của con ngươi
mà không cần phải cho huấn luyên trước (trong chừng mực nào đó) trên môt nhiêm vụ như vậy.
3. Đóng góp của luận án
Các hê BCI của nhiều nhóm nghiên cứu khác trên thế giới cho các mục đích đánh vần, điều khiển,
phục hồi chức năng… được phát triển để nhận diên các đặc trưng tín hiêu điên não P300, N400, nhịp cảm
giác vận đông… thương yêu cầu phải có thiết bị hỗ trợ để kích thích ngươi sử dụng phát ra tín hiêu điên não
có các đặc trưng này. Hê BCI trong điều khiển thiết bị điên tử gia dụng thông minh được phát triển trong
4
luận án này dựa trên cách tiếp cận thuần túy phân biêt trạng thái suy nghĩ mà không yêu cầu các thiết bị phụ
trợ.
Bên cạnh viêc phát triển môt hê thống BCI với quy trình, thiết kế thí nghiêm phù hợp và các công
nghê mới về xử lý và phân tích tín hiêu điên não, luận án còn có những đóng góp khoa học trong đó đề xuất
06 phương pháp mới gồm:
Thứ nhất, phân loại tín hiêu điên não trong các tác vụ suy nghĩ dựa trên bô phân lớp SVM kết hợp
biến đổi năng lượng wavelet tương đối (Relative wavelet energy - RWE). Viêc triển khai phương pháp này
cho thấy, đặc trưng RWE rất phù hợp đề làm đầu vào cho các mô hình phân lớp học máy, nhất là trong bài
toán phân loại tín hiêu điên não.
Thứ hai, phân loại tín hiêu điên não sử dụng mạng nơ-ron kết hợp phân ngưỡng donoho để lựa chọn
đặc trưng.
Thứ ba, phân loại tín hiêu điên não sử dụng mạng học sâu (deep neural network). Trong phương
pháp này, mạng học sâu được huấn luyên với đầu vào là các đặc trưng trên miền tần số được trích chọn và
giảm số chiều thông tin sau phân tích thành phần chính PCA. Môt phương pháp phân ngưỡng SURE (Zhang,
1998) được đề xuất để giảm số chiều các thành phần chính nhằm giảm đô phức tạp tính toán và thơi gian xử
lý, đồng thơi tăng chất lượng của bô phân lớp sử dụng mạng học sâu.
Thứ tư, phân loại tín hiêu điên não sử dụng mô hình dựa trên máy học kết hợp. Mô hình máy học kết
hợp sử dụng tín hiêu đầu vào đã được khử tín hiêu điên não bất thương sinh ra do nháy mắt với phương pháp
DWSAE. Các máy học thành phần được sử dụng là máy học dựa trên học sâu, mạng nơ-ron nhân tạo và máy
vec-tơ hỗ trợ được đề xuất trong Chương 3 của luận án.
Thứ năm, nhận diên, dò đếm giả tượng mắt EOG dựa trên biến đổi wavelet với hàm cơ sở wavelet
Haar. Phương pháp này được phát triển với mục đích thu thập các đoạn tín hiêu điên não sạch phục vụ huấn
luyên không giám sát mô hình DWSAE.
Thứ sáu, khử tín hiêu điên não bất thương sinh ra do nháy mắt tự đông mạng học sâu tự mã hóa thưa
wavelet (DWSAE). Đây là môt phương pháp mới, trong đó thuật toán DWSAE được huấn luyên không giám
sát và khử nhiễu môt cách tự đông. Cách tiếp cận này chứng tỏ các thuật toán trí tuê nhân tạo nếu được triển
khai theo môt quy trình phù hợp, có khả năng tự tìm cách thực hiên các nhiêm vụ cụ thể mà không cần phải
huấn luyên với dữ liêu được gán nhãn hay nói cách khác không phải trải qua pha huấn luyên off-line.
Các đóng góp khoa học cũng như kết quả thực nghiêm của luận án cho thấy sử dụng học máy là
phương pháp tiếp cận phù hợp để giải quyết các bài toán liên quan đến tín hiêu điên não và hê giao diên não
máy tính trong điều kiên tín hiêu điên não có tính chất không tĩnh (non-stationary), thay đổi từ ngươi này
sang ngươi khác và từ phiên thu tín hiêu này sang phiên thu tín hiêu khác.
4. Phạm vi của luận án
- Hướng đến viêc giải quyết các vấn đề liên quan đến phát triển và thực hiên hê giao diên não
máy tính nói chung và ứng dụng cụ thể cho hê BCI có khả năng điều khiển các thiết bị điên tử gia dụng
thông minh dựa trên tín hiêu điên não.
- Tập trung đề xuất môt số phương pháp xử lý, phân tích tín hiêu điên não để tăng cương chất
lượng tín hiêu điên não đầu vào của hê giao diên não máy tính. Các phương pháp này có thể được áp dụng
cho hê BCI điều khiển thiết bị điên tử được mô tả trong luận án này cũng như các hê xử lý tín hiêu điên não
khác.
5
- Trình bày môt số đề xuất về các phương pháp hoàn chỉnh gồm tiền xử lý tín hiêu sóng điên
não, trích chọn các đặc trưng phù hợp và huấn luyên, sử dụng mô hình phân lớp dựa trên học máy trong phân
loại tín hiêu điên não để hiểu được ý định của ngươi sử dụng hê giao diên não máy tính trong điều khiển các
thiết bị điên tử gia dụng thông minh.
5. Cấu trúc luận án
Luận án này gồm 06 phần trong đó có Phần mở đầu, 04 chương nôi dung và Phần kết luận, cụ thể
như sau:
Phần mở đầu nêu lên tính cấp thiết của vấn đề nghiên cứu, mục tiêu, đóng góp khoa học và phạm vi
của luận án.
Chương 1 nêu tổng quan các vấn đề liên quan đến tín hiêu điên não, cơ chế sinh ra tín hiêu điên não,
hê giao diên não máy tính và môt số phương pháp xử lý, phân tích tín hiêu điên não.
Chương 2 trình bày đề xuất phương pháp xử lý, tăng cương chất lượng tín hiêu điên não đầu vào
của hê giao diên não máy tính bằng cách khử tín hiêu điên não bất thương sinh ra do nháy mắt. Phương pháp
được đề xuất kết hợp mạng học sâu tự mã hóa thưa và biến đổi wavelet để khử tín hiêu điên não bất thương
sinh ra do nháy mắt môt cách tự đông và theo thơi gian thực.
Chương 3 trình bày môt số cách tiếp cận và đề xuất hê thống thực thiên hê giao diên não máy tính
trong điều khiển các thiết bị điên tử gia dụng thông minh dựa trên các phương pháp học máy như máy vec-tơ
hỗ trợ, mạng nơ-ron nhân tạo, mạng học sâu.
Chương 4 trình bày cách tiếp cận sử dụng boosting để tăng cương khả năng phân loại của các
phương án dựa trên học máy đã được đề xuất.
Phần kết luận đưa ra đánh giá tổng quát về các kết quả nghiên cứu trình bày trong luận án, các đóng
góp chính của luận án và gợi ý môt số hướng nghiên cứu để phát triển các nôi dung đã được thảo luận trong
luận án.
6
CHƯƠNG 1. TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO, HỆ GIAO DIỆN NÃO – MÁY TÍNH VÀ
MỘT SỐ PHƯƠNG PHÁP XỬ LÝ, PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO
1. Giới thiệu
Bô não, trung tâm điều khiển của hê thần kinh trung ương, đóng vai trò rất quan trọng trong viêc
điều phối các hoạt đông của các cơ quan khác và sản sinh ra ý thức (Churchland và cộng sự, 2019). Não bô
(Hình 1) có khoảng 100 tỉ tế bào thần kinh và là môt trong những bô phận sinh học phức tạp nhất trong trong
cơ thể con ngươi (Herculano-Houzel, 2009). Tìm hiều vể cấu trúc của não bô cũng như cách thức não bô
truyền nhận thông tin là môt lĩnh vực chứa nhiều tiềm năng đem tới những phát kiến khoa học lớn. Để thực
hiên được viêc đó, môt trong những viêc đầu tiên và quan trọng nhất là phải thu nhận được những tín
hiêu/thông tin do não bô sản sinh. Môt số phương pháp khác nhau ghi lại hoạt đông của não (Hình 2), đó là:
- Điên não đồ (Electroencephalography - EEG),
- Chụp quang phổ cận hồng ngoại chức năng (Functional Near-Infrared Spectroscopy - fNIRS),
- Điên não xâm lấn (Electro-corticography - ECoG),
- Chụp cắt lớp (Computed Topography - CT)
- Từ não đồ (Magnetoencephalography - MEG),
- Chụp cắt lớp phát xạ positron (Positron emission tomography - PET)
- Chụp công hưởng từ chức năng (functional magnetic resonance imaging - fMRI).
Hình 1. Cấu trúc não bô (Nguồn: Atlas of the human brain - Mai, 2015)
Các phương pháp thu tín hiêu hình ảnh từ não như CT, PET, MRI thương có thiết kế cồng kềnh, giá
thành rất cao. Phương pháp điên não xâm lấn ECoG cho tín hiêu có đô tin cậy cao, chất lượng và đô phân
giải tốt tuy nhiên lại là phương pháp xâm lấn, không dễ thực hiên và đòi hỏi phải có can thiêp y khoa để mở
hôp sọ đặt điên cực thu tín hiêu. So với các phương pháp này, điên não đồ EEG cho kết quả là tín hiêu điên
não có đô phân giải và chất lượng tốt. Thiết bị thu EEG thương nhỏ gọn, có thể di chuyển linh hoạt và giá
thành thấp (Kevric, 2017). Tín hiêu điên não EEG là môt phương thức phương thức được sử dụng phổ biến
nhất thu nhận tín hiêu đầu vào cho các ứng dụng giao diên não – máy tính (Ahi, 2010; Wolpaw, 2004; Citi,
2008; Kevric, 2017; Hotson, 2016; Hamedi, 2016; LA. Farwell, 1988; G. Schalk, 2004), phù hợp với điều
kiên kinh tế - xã hôi nếu được triển khai áp dụng tại Viêt Nam.
Chương 1 sẽ trình bày về các phương pháp đo tín hiêu từ não bô, cơ sở khoa học để làm rõ lý do và
ưu điểm, hạn chế của tín hiêu điên não so với các phương pháp khác cũng như tổng quan về tình hình nghiên
cứu về hê giao diên não máy tính BCI. Qua các phân tích, đánh giá và cơ sở khoa học được trình bày sẽ cho
thấy môt tiềm năng to lớn trong viêc nghiên cứu tín hiêu điên não, phát triển hê BCI, hứa hẹn sẽ đem đến
những phát kiến khoa học có giá trị theo hướng nghiên cứu này trong các lĩnh vực y tế, điều khiển, trị liêu….
7
a b c
d e f
Hình 2. Các phương thức thu tín hiêu từ não bô (a) fNIRS, (b) fMRI, (c) PET, (d) MEG, (e) EcoG và (f) EEG (Nguồn: Internet và kết quả nghiên cứu của luận án)
2. Tín hiệu điện não và phương pháp đo tín hiệu từ não bộ
2.1. Các phương pháp đo tín hiệu từ não bộ
2.1.1. Chụp quang phổ cận hồng ngoại chức năng
Phương pháp chụp quang phổ cận hồng ngoại chức năng (Functional Near-Infrared Spectroscopy - fNIRS)
cho phép đo dữ liêu về oxi trên vỏ não và lưu lượng máu trên các vùng của não mà không cần can thiêp xâm
lấn (Naseer, 2015).
Cản trở lớn nhất của viêc nghiên cứu phổ biến fNIRS là ở chi phí sử dụng cao, viêc thiết lập hê thống vẫn
còn phức tạp. Ngoài ra fNIRS có môt nhược điểm rất lớn là không thể sử dụng để thăm dò hoạt đông não ở
khu vực sâu hơn 4 cm do những hạn chế trong khả năng phát xạ các tia cận hồng ngoại và giới hạn về đô
phân giải trong không gian (Naseer, 2015).
2.1.2. Chụp Cộng hưởng từ chức năng
Chụp công hưởng từ chức năng hay fMRI (Functional magnetic resonance imaging) là môt kỹ thuật chẩn
đoán hình ảnh y khoa không xâm lấn dựa trên hiên tượng công hưởng từ cho phép theo dõi sự thay đổi lượng
oxy trong máu của não bô, từ đó có thể phân tích được tình trạng hay hoạt đông của hê thần kinh (Kundu,
2017).
Thiết bị đo tín hiêu hình ảnh fMRI thương có kích thướng lớn, cồng kềnh, không di chuyển được và
yêu cầu bất đông cơ thể ngươi thu tín hiêu.
2.1.3. Chụp cắt lớp phát xạ positron
Chụp cắt lớp phát xạ positron (Positron Emission Tomography - PET) là kỹ thuật ghi hình y học hạt nhân có
thể đánh giá được mức đô chuyển hóa, hoạt đông chức năng của các tế bào trong môt cơ quan.
8
Cũng giống như fMRI, thiết bị chụp PET thương có kích thướng lớn, cồng kềnh, không di chuyển được và
yêu cầu bất đông cơ thể ngươi thu tín hiêu. Ngoài ra viêc đưa chất đánh dấu trong phức hợp đánh dấu phóng
xạ vào cơ thể ngươi cũng có thể gây ra các tác dụng phụ không mong muốn.
2.1.4. Từ não đồ (Magnetoencephalography - MEG)
Từ não đồ MEG là môt kỹ thuật thần kinh chức năng cho phép lập bản đồ hoạt đông của não bằng cách ghi
nhận từ trương sinh ra bởi dòng điên sinh học, có giá trị rất nhỏ, gây ra do hoạt đông của các tế bào thần kinh
(Supek, 2016).
Từ não đồ là phương pháp đo tin hiêu não bô chứa nhiều thông tin, có đô phân giải và chất lượng tốt nhưng
sử dụng thiết bị khá cồng kềnh, công nghê phức tạp, không di chuyển được và giá thành đắt.
2.1.5. Điện não đồ xâm lấn (Electro-corticography - ECoG)
Phương pháp electro-corticography (ECoG) là môt phương pháp xâm lấn, dùng phẫu thuật mở hôp sọ để đặt
các điên cực trực tiếp lên bề mặt não bô nhằm ghi lại các hoạt đông điên của não (Hotson, 2016).
Tuy có nhiều ưu điểm về chất lượng tín hiêu nhưng do là môt kĩ thuật xâm lấn đòi hỏi phẫu thuật nên ECoG
nên viêc chuẩn bị và tiến hành kĩ thuật này là phức tạp hơn rất nhiều so với các kĩ thuật khác, do đó ECoG
phần lớn được chỉ định trong điều trị y học nhiều hơn là trong nghiên cứu.
2.2. Tín hiệu điện não và các vấn đề liên quan
Mục này sẽ trình bày các nguyên lí cơ bản về cách thức bô não phát sinh ra tín hiêu, phương pháp ghi lại các
dạng tín hiêu phát ra từ não, phương pháp xử lí tín hiêu này như thế nào.
2.2.1. Điện não đồ
Phương pháp EEG là phương pháp thu tín hiêu không xâm lấn, trực tiếp đo tín hiêu điên phát sinh ra trong
các hoạt đông thần kinh của não bô. Tuy nhiên, khác với ECoG vốn là môt kĩ thuật xâm lấn, EEG đặt các
điên cực ở da đầu để thu tín hiêu điên não.
EEG có chi phí thấp, tính đơn giản và linh hoạt trong thiết lập hê thống đo trở thành hướng tiếp cận phù hợp
nhất cho các nghiên cứu về não nói chung và các nghiên cứu về hê thống BCI nói riêng. Dựa trên các cơ sở
đó, luận án này lựa chọn tín hiêu điên não và phương pháp đo điên não đồ EEG làm hướng tiếp cận chính
trong khuôn khổ đề tài nghiên cứu của luận án này.
Hình 3. Môt số hê thống thiết bị dùng để đo điên não EEG (Nguồn: Internet)
9
2.2.2.Tín hiệu điện não
Hình 4. Bản ghi tín hiêu điên não EEG
Tín hiêu điên não EEG là các giá trị điên thế có giá trị rất nhỏ, tạo ra bởi quá trình tương tác với nhau của
các tế bào thần kinh trong não (Sanei, 2007; Purves, 2014). Tín hiêu điên não thương có biên đô trong
khoảng từ 10 µV đến 100 µV và tần số trong giải từ 1 Hz đên 100 Hz. Tín hiêu điên não thương phi tuyến,
không tuân theo phân bố Gauss thông thương và cũng không tĩnh (nonstationary).
Thông thương, tín hiêu điên não cho biết thông tin về các hoạt đông theo nhịp (rhythmic activities) trên các
dải tần số khác nhau như dải tần Delta (0.5–4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz), Beta (13-30 Hz) và
Gamma (30-50 Hz) (Jung, 2000).
2.2.3. Cơ chế phát sinh tín hiệu điện não
Tương tác của các tế bào thần kinh được diễn ra thông qua các xung điên, được ghi lại bởi các điên cực đặt
trên da đầu. Hiêu điên thế hoạt hóa hay ức chế sau synapse sẽ tạo ra tín hiêu điên não theo cơ chế như sau
(Purves, 2014). Khi xuất hiên tương tác tế bào thần kinh, chất trung gian dẫn truyền thần kinh được giải
phóng sẽ khuếch tán qua khe synapse hẹp. Tại màng sau synapse, phân tử chất trung gian dẫn truyền thần
kinh gắn vào phân tử thụ cảm thể gắn ở màng tại vùng nhận diên đặc hiêu đối với chất trung gian dẫn truyền
thần kinh đó. Chất trung gian dẫn truyền thần kinh gắn vào thụ cảm thể sẽ kích hoạt đáp ứng sau synapse đặc
hiêu cho thụ cảm thể đó. Đáp ứng này có thể là hoạt hoá hay ức chế, phụ thuôc vào đặc điểm của thụ cảm
thể. Nếu sự kích thích thụ cảm thể làm cho màng sau xi náp tăng điên dương (khử cực), thì đó là thế hoạt hoá
sau synapse (Excitatory postsynaptic potentials - EPSP). Nếu tăng điên âm (tăng phân cực), thì đó là thế ức
chế synapse (Inhibitory postsynaptic potentials - IPSP). Các điên thế sau synapse được tổng hợp lại tại vỏ
não, phát ra trên bề mặt da đầu và được ghi lại dưới dạng tín hiêu điên não.
2.2.4. Thu tín hiệu điện não
Hai phương pháp thương được dùng để thu tín hiêu điên từ bô não là EEG và ECoG. Phương pháp EEG sử
dụng môt hê thống các điên cực đặt trên vỏ da đầu để thu các tín hiêu điên, đây là môt phương pháp không
xâm lấn.
2.2.5. Thiết bị đo tín hiệu điện não Emotiv EPOC+
3. Hệ giao diện Não máy tính BCI
Giao diên não-máy tính (Brain computer interface – BCI) (Kevric, 2017; Hamedi, 2016) là môt cách thức
truyền thông giữa não và các thiết bị bên ngoài (external devices) thông qua môt hê thống thu nhận và xử lý
tín hiêu từ não bô.
10
Hê BCI2000 có khả năng di chuyển con chuôt máy tính đến bất kỳ vị trí nào trên màn hình sử dụng đặc
trưng nhịp cảm giác vận đông (Sensorimotor rhythm) (Schalk, 2004). Năm 2018, môt đề cử giải BCI Award
giành cho hê BCI dùng trong viêc hỗ trợ phục hồi chức năng của ngươi bị liêt nửa ngươi do chấn thương tủy
sống (Lupu, 2018). Hê BCI dựa trên SSVEP cho phép ngươi sử dụng điều khiển các nhân vật hoạt họa di
chuyển trong môt trò chơi điên tử (Saeedi, 2017). Trong môt hê BCI khác có khả năng điều khiển con chuôt
máy tính (Citi, 2008), môt màn hình máy tính có 4 hình vuông tại 4 vị trí tương ứng viêc di chuyển con trỏ
theo 4 hướng được hiển thị. Hê BCI cũng thương được nghiên cứu, phát triển để giải quyết bài toán hỗ trợ
đánh vần cho những ngươi bị liêt tứ chi. Nhìn chung có thể tiếp cận giải quyết bài toán này theo hai hướng:
sử dụng đặc trưng P300 trong các hê P300 speller (có màn hình hiển thị các character) và thu tín hiêu khi đối
tượng thực hiên viêc tưởng tượng vận đông motor imagery (tưởng tượng thực hiên các hành đông và chuyển
đổi thành action để chọn chữ cái thích hợp) có thể dùng để đánh vần 26 chữ cái tiếng Anh. Môt cách tiếp cận
khác dựa trên viêc tưởng tượng giác quan vận đông được Muller, 2008 và các công sự phát triển thành hê
Berlin BCI.
Trong lĩnh vực nghiên cứu về tín hiêu điên não, có thể kể đến môt số nghiên cứu ứng dụng bước đầu
của nhóm nghiên cứu tại Đại học Công nghê ứng dụng EEG cho dự đoán bênh đông kinh. Dựa vào tín hiêu
EEG và đặc trưng của gai đông kinh (spike, sharp wave), quá trình phát hiên gai tự đông được chia thành
nhiều giai đoạn, kết hợp các phương pháp xử lý tín hiêu và học máy, sử dụng tổng hợp các thông tin về hình
dạng, thơi gian, tần số và không gian giúp hê thống dự đoán đưa ra các quyết định đáng tin cậy. Trong môt
nghiên cứu khác, còn có nhóm nghiên cứu tại Đại học Bách khoa ứng dụng phân tích tín hiêu EEG để nhận
diên cảm xúc, sử dụng tín hiêu sóng điên não EEG cho mục đích xác thực ngươi dùng và nhóm sinh viên của
Đại học FPT sử dụng tín hiêu EEG cho mục đích điều khiển Robot.
4. Một số phương pháp xử lý, phân tích tín hiệu điện não
4.1. Mạng Nơron wavelet
4.2. Phương pháp phân tích thành phần độc lập
4.3. Kỹ thuật định vị LORETA
4.4. Biến đổi wavelet
5. Kết luận Chương 1
Có nhiều cách tiếp cận để thực hiên hê BCI trong đó sử dụng tín hiêu điên não EEG môt trong
những phương thức phổ biến nhất. Các ưu điểm của tín hiêu điên não EEG so với các phương thức thu tín
hiêu từ não bô khác đã được tóm tắt và chỉ rõ trong nôi dung Chương này. Nguồn gốc, cơ chế sinh học và
cách thức thu tín hiêu cũng đã được trình bày trong Chương này. Đấy chính là cơ sở đề xuất sử dụng tín hiêu
điên não trong chủ đề nghiên cứu của luận án này. Ngoài ra, chương này cũng đã trình bày môt số hê giao
diên não máy tính, qua đó cho thấy tính cần thiết để thực hiên các nghiên cứu về tín hiêu điên não và hê giao
diên não máy tính. Môt số phương pháp xử lý, phân tích tín hiêu điên não được trình bày ở trong Chương 1
là các phương pháp cơ sở để phát triển các phương pháp đề xuất ở các chương tiếp theo hoặc hỗ trợ đánh giá
kết quả thí nghiêm.
11
CHƯƠNG 2. ĐỀ XUẤT PHƯƠNG PHÁP SỬ DỤNG MẠNG HỌC SÂU TỰ MÃ HÓA THƯA
WAVELET TRONG KHỬ TÍN HIỆU ĐIỆN NÃO BẤT THƯỜNG DO NHÁY MẮT TỰ ĐỘNG,
THEO THỜI GIAN THỰC
1. Đặt vấn đề
Khi mắt di chuyển con ngươi (eye movement) hay nháy mắt (eye blinks) gây ra các tín hiêu điên não bất
thương có giá trị biên đô lớn (Electroculographic artifacts - EOG) trong bản ghi sóng điên não. Tín hiêu điên
não bất thương do nháy mắt (Hình 20) gây ảnh hưởng mạnh nhất trên các dải tần Delta, Theta, Alpha
(Pizzagalli, 2007). Nháy mắt gây ra tín hiêu điên não bất thương dạng xung với đỉnh có thể có giá trị lên tới
800 µV và xuất hiên trong môt khoảng thơi gian khá ngắn khoảng từ 200-400 ms (Hagemann, 2001). Khử
tín điên não bất thương EOG là môt yêu cầu cần thiết trong xử lý, phân tích tín hiêu điên não. Tuy nhiên,
viêc loại bỏ tín hiêu bất thương EOG không đơn giản bởi tín hiêu EOG xuất hiên và chồng lên tín hiêu điên
não “sạch” trên cả miền tần số và thơi gian.
Xuất phát từ viêc tìm hiếm môt phương pháp có thể giải quyết các hạn chế của các phương pháp đã được
công bố trước đây, luận án này đề xuất môt phương pháp mới gọi là Mạng học sâu tự mã hóa thưa wavelet
(Deep wavelet sparse autoencoder - DWSAE). DWSAE là môt phương pháp khử tín hiêu bất thương EOG
có thể thực hiên đơn kênh, tự đông theo thơi gian thực và có thể tự đông huấn luyên, khắc phục được các hạn
chế của các phương pháp kể trên trong đó có WNN. Kết quả thực nghiêm cho thấy DWSAE cho kết quả khử
nhiễu tốt, đáng tin cậy so với các phương pháp được so sánh.
2. Đề xuất Phương pháp khử tín hiệu điện não bất thường do nháy mắt tự động, theo thời gian
thực DWSAE
2.1. Huấn luyện không giám sát và khử tín hiệu bất thường do nháy mắt tự động
Quá trình huấn luyên mạng nơ-ron được thực hiên như trong Hình 21. Đầu tiên cần lựa chọn môt tập dữ
liêu sạch, tức là các đoạn tín hiêu điên não không chứa tín hiêu bất thương do nháy mắt EOG. Để thu được
môt tập đủ lớn, ta sử dụng phương pháp dò tìm tín hiêu bất thương do nháy mắt EOG để loại các đoạn tín
hiêu có chứa EOG. Sau đó biến đổi wavelet các đoạn tín hiêu điên não sạch và lấy các hê số wavelet tại các
dải tần số thấp để làm đầu vào cho SAE. Cấu trúc SAE được sử dụng trong nghiên cứu và đạt kết quả tốt là
16-32-64-32-16; tức là có 16 đầu vào, 03 lớp ẩn với lần lược 32-64-32 nốt và 16 đầu ra. Sở dĩ có 16 đầu vào
là do biến đổi wavelet bậc 6 được áp dụng trên các đoạn tín hiêu có chiều dài 128 mẫu. Do đó 16 = 2 hê số
xấp xỉ bậc 6 + 2 hê số chi tiết bậc 6 + 4 hê số chi tiết bậc 5 + 8 hê số chi tiết bậc 4. Do quá trình huấn luyên
này không cần dữ liêu được gán nhãn nên có thể coi phương pháp này là học không giám sát.
12
Hình 5. Lược đồ phương pháp DWSAE trong khử tín hiêu bất thương EOG
2.2. Phương pháp dò đếm tín hiệu bất thường do nháy mắt EOG dựa trên biến đổi wavelet Haar
Luận án này đề xuất môt phương pháp mới dựa trên biến đổi wavelet và xác định ngưỡng thích hợp
để dò đếm nhiễu (Huy Hoang Tran, Hoang Anh T. Nguyen, và cộng sự, 2018). Phương pháp này gồm 04
bước cụ thể như sau (lưu đồ của thuật toán thể hiên ở Hình 22):
Bước 1: Chia tín hiêu điên não thành các đoạn tín hiêu ngắn
Bước 2: Áp dụng biến đổi wavelet với hàm cơ sở Haar cho mỗi đoạn
Bước 3: Ước lượng trung bình và sử dụng ngưỡng để dò tìm EOG
Bước 4: Cập nhật giá trị của ngưỡng và tiếp tục dò tìm EOG
2.3. Thuật toán huấn luyện mạng học sâu tự mã hóa thưa trong khử tín hiệu bất thường do nháy
mắt
Trong mạng học sâu tự mã hóa thưa kết hợp wavelet, máy học sâu tự mã hóa thưa được dùng để học không
giám sát các tính chất của tín hiêu điên não không chứa tín hiêu bất thương EOG. Sau đó, khi được dùng
trong pha khử tín hiêu điên não bất thương do nháy mắt, mạng học sâu tự mã hóa thưa SAE sẽ tìm cách để
sửa các giá trị bất thương về giá trị tương đồng tín hiêu điên não thông thương.
2.4. Độ đo đánh giá kết quả
Để đánh giá kết quả ngoài viêc hiển thị kết quả khử nhiễu của phương pháp DWSAE so với các phương
pháp khác như ICA (SOBI, JADE, Infomax), wavelet thresholding và WNN trên miền thơi gian, các chỉ số
đánh giá khác được sử dụng trên miền tần số là Mật đô phổ công suất (Power Spectral Density - PSD) và
Tương quan tần số (Frequency Correlation - FC).
13
3. Kết quả
Phần này trình bày về kết quả thí nghiêm khi sử dụng phương pháp Mạng học sâu tự mã hóa thưa wavelet
DWSAE khử nhiễu trên ba tập dữ liêu là tập thực hiên nhiêm vụ chú ý quan sát (tập dữ liêu 1 ), tập dữ liêu
nhận dạng trạng thái suy nghĩ (tập dữ liêu 2) và môt tập dữ liêu mô phỏng tín hiêu điên não chứa tín hiêu
điên não bất thương EOG (tập dữ liêu 3).
3.1. Dữ liệu kiểm thử:
Tập dữ liêu 1 có thể được tải về tại địa chỉ
https://sccn.ucsd.edu/~arno/fam2data/publicly_available_EEG_data.html. Tập dữ liêu 2 được thu trên 12
sinh viên Đại học. Tập dữ liêu 3 mô phỏng lại tín hiêu điên não chứa tín hiêu bất thương EOG.
3.2. Thiết kế thí nghiệm
Sáu phương pháp khử nhiễu được thực hiên trên ba tập dữ liêu cho mục đích đánh giá hiêu quả trên các tập
dữ liêu đã được chuẩn bị. Các phương pháp này gồm có Infomax, JADE, SOBI, WNN, Wavelet thresholding
và DWSAE.
3.3. Kết quả thí nghiệm
3.3.1. Kết quả trên Tập dữ liệu 1 - thực hiện nhiệm vụ chú ý quan sát
a1 a2
b1 b2
c1 c2
14
d1 d2
e1 e2 Hình 6. Kết quả khử nhiễu của DWSAE so với (a1-2) Infomax, (b1-2) JADE, (c1-2) SOBI, (d1-2)WNN và
(e1-2) Wavelet thresholding
Hình 7. Hình vẽ thể hiên PSD của tín hiêu trước và sau khi khử nhiễu
(a) (b)
15
(c) (d)
(e) (f)
Hình 8. Hê số tương quan tần số giữa tín hiêu trước và sau khi khử nhiễu bởi (a) DWSAE, (b) Infomax, (c)
JADE, (d) SOBI, (e) WNN và (f) WT
3.3.2. Kết quả trên Tập dữ liệu 2 - nhận dạng trạng thái suy nghĩ
a1 a2
b1 b2
c1 c2
16
d1 d2
e1 e2
Hình 9 So sánh kết quả khử nhiễu giữa DWSAE và (a1-2) Infomax, (b1-2) JADE, (c1-2) SOBI, (d1-2)WNN và (e1-2) Wavelet thresholding
3.3.3. Kết quả trên tập dữ liệu 3 - mô phỏng tín hiệu điện não chứa nhiễu
a b
c
Hình 10. Kết quả trên đoạn tín hiêu bán giả lập trước và sau khi khử nhiễu bởi (a) DWSAE, (b) WNN và (c)
Wavelet thresholding
Bảng 1. MSE của ba phương pháp dựa trên wavelet
Phương pháp MSE
WNN 422.73
WT 443.38
DWSAE 65.62
17
4. Kết luận Chương 2
Chương này của luận án đã trình bày môt phương pháp mới trong khử nhiễu tín hiêu điên não gọi là Mạng
học sâu tự mã hóa thưa Wavelet (DWSAE). Kết quả khử nhiễu bởi DWSAE được so sánh với các phương
pháp khác như SOBI, JADE, Infomax, WNN và Wavelet thresholding cho thấy đây là môt phương pháp hiêu
quả trong khử tín hiêu bất thương do nháy mắt EOG. So với các phương pháp dựa trên phân tích thành phần
đôc lập ICA, DWSAE có ưu điểm là có thể thực hiên tự đông trên đơn kênh dữ liêu. So với WNN, DWSAE
không phải trải qua pha huấn luyên off-line mà có thể được huấn luyên và sử dụng để khử nhiễu theo thơi
gian thực, tự đông. Điều này rất cần thiết khi tích hợp phương pháp khử nhiễu này trong các hê giao diên não
máy tính BCI theo thơi gian thực.
CHƯƠNG 3. ĐỀ XUẤT MỘT SỐ PHƯƠNG PHÁP VÀ CÁCH TIẾP CẬN DỰA TRÊN HỌC MÁY
CHO HỆ GIAO DIỆN NÃO MÁY TÍNH TRONG ĐIỀU KHIỂN THIẾT BỊ ĐIỆN TỬ GIA DỤNG
THÔNG MINH
1. Đặt vấn đề
Theo thống kê, hiên nay Viêt Nam có khoảng 6% dân số tương ứng với hơn 5 triêu ngươi già có tuổi
từ 64 trở lên. Những ngươi thuôc nhóm này sẽ dần trở nên kém linh hoạt và trở nên phụ thuôc ngày càng
nhiều hơn khi số tuổi tăng thêm. Đến môt lúc nào đó, sẽ phụ thuôc hoàn toàn vào ngươi khác. Môt nhóm
ngươi khác là các đối tượng yếu thế trong xã hôi như bị đôt quỵ hoặc bại liêt. Môt số ngươi thuôc nhóm này
tuy không thể cử đông được nhưng lại có khả năng tư duy rất tốt. Với mong muốn tạo ra môt hê thiết bị có
khả năng hỗ trợ các đối tượng trên tương tác và điều khiển được thiết bị điên tử trong môi trương xung
quanh, nghiên cứu này đề xuất sử dụng Giao diên não máy tính BCI như môt giải pháp hữu ích trong vấn đề
này.
Sau khi tham khảo các nghiên cứu và học liêu nước ngoài, cùng với viêc dựa vào đặc thù điều kiên
phần cứng và yêu cầu của nhiêm vụ nghiên cứu, giải quyết các vấn đề đã đặt ra với hê BCI được phát triển ở
các nghiên cứu trước đây, nghiên cứu trong khuôn khổ luận án này đã phát triển môt qui trình thu nhận dữ
liêu, thiết kế thí nghiêm riêng để đảm bảo phù hợp với hê thống BCI trong điều khiển các thiết bị điên tử gia
dụng thông minh. Phần dưới đây sẽ trình bày rõ hơn về Hê giao diên não máy tính này cũng như đề xuất môt
số phương pháp phân tích, xử lý tín hiêu điên não dựa trên học máy có thể hiểu và chuyển thông điêp của
ngươi sử dụng thành các mênh lênh điều khiển các thiết bị điên tử gia dụng thông minh.
2. Hệ giao diện não máy tính trong điều khiển thiết bị điện tử gia dụng thông minh
Hê thống giao diên não-máy tính EEG-based BCI được phát triển (Hình 33) có khả năng giải mã, chuyển đổi
và truyền thông môt chiều từ não bô của ngươi dùng vào đến hoạt đông cụ thể của môt thiết bị điên tử thông
minh dưới dạng tín hiêu điều khiển hoạt đông. Hê thống này gồm hai phần là hê giao diên não máy tính BCI
và môt thiết bị thu nhận tín hiêu và ra lênh điều khiển tới các thiết bị điên tử gia dụng thông minh WIOT
(Wireless internet of things).
18
Hình 11. Kiến trúc tổng thể của hê thống giao diên não-máy tính trong điều khiển các thiết bị điên tử gia
dụng thông minh.
3. Thiết kế thí nghiệm và tập dữ liệu
Mô tả thí nghiêm:
- Thí nghiêm 1: Đo tín hiêu EEG khi đối tượng ở trạng thái thư giãn, không suy nghĩ tập trung.
- Thí nghiêm 2: Đo tín hiêu EEG khi đối tượng đang suy nghĩ hình dung về viêc bật sáng đèn. Đối
tượng sẽ hình dung tới hành đông bật đèn theo các bước trình tự như sau: Nghĩ đến công tắc đèn Nghĩ
đến viêc đứng dậy Nghĩ đến viêc đi tới chỗ công tắc Nghĩ tới viêc bật công tắc Nghĩ tới bóng đèn
sáng lên.
- Thí nghiêm 3: Đo tín hiêu EEG khi đối tượng đang tập trung đọc môt bài báo khoa học.
4. Đề xuất một số phương pháp phân loại trạng thái suy nghĩ cho hệ BCI dựa trên tín hiệu
điện não trong điều khiển thiết bị điện tử gia dụng thông minh
4.1. Kết hợp Máy Vec-tơ hỗ trợ với biến đổi wavelet và ICA
Hình 12: Phương pháp phân tích tín hiêu EEG dựa trên SVM
4.1. Dựa trên học sâu và phân ngưỡng SURE để chọn số thành phần chính thích hợp
19
Hình 13. Phương pháp phân tích tín hiêu EEG dựa trên học sâu
5. Kết quả và thảo luận
Trong phần này, kết quả khi thực hiên 02 phương pháp phân loại tín hiêu điên não dựa trên (1) máy vec-tơ
hỗ trợ SVM và (2) mạng nơ-ron học sâu sẽ được báo cáo theo các giai đoạn tiền xử lý, trích chọn đặc trưng
và phân loại. Ngoài ra, phần hiển thị kết quả các vùng não bị kích hoạt trong quá trình thu tín hiêu sẽ được
thể hiên.
5.1. Tiền xử lý dữ liệu
Hình 14. Biến đổi ICA trong khử nhiễu tín hiêu điên não
20
a) b)
c)
Hình 15. Hiển thị vùng kích hoạt não bô với phương pháp LORETA trong quá trình đối tượng thực hiên ba
thí nghiêm (a) Neutral, (b) Light and (c) Paper
5.2. Phân loại trạng thái
Bảng 2. Kết quả phân loại hai trạng thái suy nghĩ
Bảng 3. Kết quả phân loại 02 trạng thái suy nghĩ theo các bước với DNN
Phương pháp
Độ chính xác (%)
S1 S2 S3 S4 Trung bình
Baseline DNN 87.89 84.13 94.80 96.35 90.79
+WNN 88.59 85.94 95.45 96.17 91.53
+PCA-SURE 90.87 85.98 96.52 96.83 92.55
Phương pháp
Độ chính xác (%)
S1 S2 S3 S4 Trung bình
NB 52.28 40.96 71.19 73.30 59.43
LDA 69.09 65.96 67.80 66.52 67.34
KNN 79.54 62.23 92.80 90.25 81.20
SVM 85.95 80.16 90.28 90.78 86.79
ANN 87.29 82.13 93.95 95.23 89.65
DNN 90.87 85.98 96.52 96.83 92.55
21
Bảng 4. Kết quả phân loại tác vụ suy nghĩ cho 03 trạng thái với DNN
Phương pháp
Độ chính xác (%)
S1 S2 S3 S4 Trung bình
NB 52.32 55.56 58.68 54.90 55.36
LDA 62.60 61.34 64.89 59.78 62.15
KNN 67.16 63.12 66.25 68.15 66.17
SVM 67.25 71.18 67.27 72.89 69.64
ANN 70.25 73.62 69.94 75.45 72.31
DNN 71.08 75.71 73.19 76.90 74.22
Bảng 5. Kết quả phân loại 03 trạng thái suy nghĩ theo các bước với DNN
Phương pháp
Độ chính xác (%)
S1 S2 S3 S4 Trung bình
Baseline DNN 69.15 74.92 70.25 74.85 72.29
+WNN 70.68 74.79 72.14 76.24 73.46
+PCA-SURE 71.08 75.71 73.19 76.90 74.22
6. Kết luận chương 3
Nôi dung Chương này đã trình bày về thiết kế thí nghiêm, ba phương pháp được đề xuất dựa trên học máy
SVM, mạng nơ-ron nhân tạo và mạng học sâu DNN. Kết quả đã được công bố trên các hôi thảo và tạp chí
quốc tế cho thấy phương pháp dựa trên học sâu DNN cho kết quả phân loại tốt nhất với đô chính xác đạt
khoảng 96.8% và 77% cho phân loại 2 và 3 trạng thái suy nghĩ. Kết quả này cho thấy khả năng có thể áp
dụng cách tiếp cận này để thực hiên hê giao diên não máy tính cho mục tiêu đề ra là điều khiển thiết bị điên
tử.
CHƯƠNG 4. ĐỀ XUẤT SỬ DỤNG HỌC KẾT HỢP ĐỂ TĂNG CƯỜNG ĐỘ CHÍNH XÁC PHÂN
LOẠI TÍN HIỆU ĐIỆN NÃO CHO HỆ GIAO DIỆN NÃO MÁY TÍNH TRONG ĐIỀU KHIỂN CÁC
THIẾT BỊ ĐIỆN TỬ GIA DỤNG THÔNG MINH
1. Đặt vấn đề
Về cơ bản, học máy là cách thức môt mô hình với bô trọng số được tạo ra dựa trên dữ liêu đầu vào
bằng cách sử dụng viêc gán nhãn hay không gán nhãn dữ liêu, tương ứng với học giám sát và học không
giám sát. Các tập dữ liêu thương có tính chất và phân bố khác nhau vì vậy khó có môt thuật toán nào là luôn
tốt và cho hiêu suất cao nhất cho mọi ứng dụng và trên mọi tập dữ liêu. Vì vậy viêc thử các thuật toán khác
nhau để tìm được những thuật toán máy học tốt cho tập môt tập dữ liêu cụ thể là viêc làm cần thiết và cần
nhiều thơi gian.
Trong phạm vi nghiên cứu, luận án này đã đề xuất ba mô hình học máy dựa trên máy vec-tơ hỗ trợ,
mạng nơ-ron nhân tạo và mạng học sâu để phân loại hiêu quả trạng thái suy nghĩ dựa trên tín hiêu điên não.
22
Để có thể tận dụng và tăng cương hiêu quả phân loại, học kết hợp (ensemble learning) là cách tiếp cận phù
hợp. Phần tiếp theo của luận án sẽ đề xuất mô hình học kết hợp và báo cáo, thảo luận môt số kết quả phân
loại ban đầu đạt được với cách tiếp cận này.
2. Đề xuất mô hình học kết hợp để tăng cường độ chính xác phân loại tín hiệu điện não cho hệ
giao diện não máy tính trong điều khiển các thiết bị điện tử gia dụng thông minh
Hình 16. Mô hình máy học kết hợp trong phân loại trạng thái suy nghĩ từ tín hiêu điên não
Kết hợp các bô phân loại yếu để tạo nên môt bô phân loại mạnh là nguyên lý cơ bản của các phương
thức tiếp cận dựa trên máy học kết hợp (ensemble learning). Luận án này đề xuất môt cách kết hợp mới dựa
trên các phương pháp phân loại trạng thái suy nghĩ từ tín hiêu điên não ở Chương 3 và phương pháp khử
nhiễu tín hiêu điên não bất thương EOG DWSAE ở Chương 2. Phương pháp mới được đề xuất (Hình 42)
gồm hai pha: huấn luyên và phân loại.
Trong pha huấn luyên, các mô hình học máy được thực hiên tuần tự với tập dữ liêu như đã trình bày tại
Chương 3. Ở pha phân loại trạng thái suy nghĩ, thay vì sử dụng môt mô hình học máy, luận án đề xuất cách
tiếp cận sử dụng hôi đồng máy học (commitee machine) (Tresp, V., 2000). Môt hôi đồng máy học đơn giản
với luật đánh giá được đề xuất như sau:
- Trong trương hợp phân loại 2 trạng thái, nếu có ít nhất 2 trong 3 bô phân loại đưa ra cùng môt phương
án thì đó là phương án được chọn
- Trong trương hợp phân loại 3 trạng thái, nếu ít nhất 2 trong 3 bô phân loại đưa ra cùng môt phương án
thì đó là phương án được chọn. Nếu cả 3 bô phân loại đều đưa ra 3 phương án khác nhau, trọng số lớn hơn
và quyền quyết định thuôc về phương án được chọn bởi mô hình học sâu.
3. Kết quả và thảo luận
Bảng 6. Đô chính xác phân loại 2 trạng thái phương pháp đề xuất dựa trên máy học kết hợp so với
các phương pháp thành phần
Phương pháp Độ chính xác (%)
23
S1 S2 S3 S4 Trung
bình
DNN+ 90.87 85.98 96.52 96.83 92.55
ANN++ 88.75 84.20 95.36 94.67 90.745
SVM+++ 90.50 84.80 94.25 93.45 90.75
Máy học kết hợp 91.35 88.15 96.75 95.90 93.04
Bảng 7. Đô chính xác phân loại 3 trạng thái phương pháp đề xuất dựa trên máy học kết hợp so với
các phương pháp thành phần
Phương pháp
Độ chính xác (%)
S1 S2 S3 S4 Trung bình
DNN+ 71.08 75.71 73.19 76.90 74.22
ANN++ 69.65 74.59 71.18 76.84 73.065
SVM+++ 73.80 66.68 75.39 71.47 71.835
Máy học kết hợp 72.31 77.42 76.19 76.54 75.615
Ghi chú: DNN+ , ANN++ và SVM+++ là các phương pháp học máy dựa trên học sâu kết hợp phân ngưỡng
SURE trong lựa chọn thành phần chính thích hợp, mạng nơ-ron kết hợp phân tích thành phần chính và máy
vec-tơ hỗ trợ sử dụng đặc trưng năng lượng wavelet tương đối RWE trong phân loại tín hiêu điên não đề
xuất ở Chương 3
4. Kết luận Chương 4
Chương này đã đề xuất môt cách tiếp cận mới dựa trên học kết hợp với đầu vào là tín hiêu điên não đã được
khử tín hiêu điên não mạnh sinh ra do nháy mắt. Kết quả bước đầu cho thấy, mô hình học kết hợp được đề
xuất có khả năng phân loại tốt, trong môt số trương hợp cho kết quả phân loại tốt hơn so với các mô hình
thành phần đã được đề xuất. Kết quả này khẳng định đây là môt cách tiếp cận phù hợp để tăng cương hiêu
năng của hê giao diên não máy tính trong điều khiển các thiết bị điên tử gia dụng thông minh trong điều kiên
tín hiêu điên não thương có tính chất rất khác biêt giữa ngươi sử dụng này qua ngươi sử dụng khác và từ
phiên thu tín hiêu này sang phiên thu tín hiêu khác.
PHẦN KẾT LUẬN VÀ KIẾN NGHỊ
Nghiên cứu về hê giao diên não máy tính BCI đòi hỏi sự liên kết giữa các vấn đề nghiên cứu khác
nhau cả về công nghê kết hợp với phân tích và tìm hiểu lý thuyết thần kinh học và cấu trúc của não bô. Luận
án này đã trình bày về các cơ sở lý thuyết tín hiêu điên não, hê giao diên não – máy tính, đề xuất môt số
phương pháp xử lý, phân tích tín hiêu điên não dựa trên học máy, trình bày và phát triển hê giao diên não
máy tính ứng dụng trong điều khiển các thiết bị điên tử gia dụng thông minh. Các tiếp cận giải quyết bài toán
dựa trên các phương pháp học máy cho thấy đây là môt hướng đi phù hợp để tiến tới hiên thực hóa và triển
khai thực nghiêm hê giao diên não máy tính này. Để cải tiến chất lượng của hê giao diên não máy tính, luận
án đã đề xuất cách tiếp cận dựa trên viêc kết hợp biến đổi wavelet với mạng học sâu tự mã hóa thưa. Kết quả
24
thực nghiêm cho thấy các phương pháp được đề xuất đều cho kết quả tốt và có khả năng ứng dụng trong các
hê BCI thực tế.
Những đóng góp khoa học chính của luận án bao gồm đề xuất 06 phương pháp mới trong xử lý,
phân tích tín hiêu điên não dựa trên học máy:
Thứ nhất, phân loại tín hiêu điên não trong các tác vụ suy nghĩ dựa trên bô phân lớp SVM kết hợp
biến đổi năng lượng wavelet tương đối (Relative wavelet energy),
Thứ hai, phân loại tín hiêu điên não sử dụng mạng nơ-ron kết hợp phân ngưỡng donoho để lựa chọn
đặc trưng,
Thứ ba, phân loại tín hiêu điên não sử dụng mạng học sâu (deep neural network),
Thứ tư, phân loại tín hiêu điên não sử dụng mô hình dựa trên học kết hợp,
Thứ năm, nhận diên, dò đếm tín hiêu bất thương do nháy mắt EOG dựa trên biến đổi wavelet với
hàm cơ sở wavelet Haar và
Thứ sáu, khử tín hiêu điên não bất thương EOG tự đông sử dụng mạng mã hóa thưa – Sparse
Autoencoder.
Những kết quả thực nghiêm với các phương pháp đề xuất cho thấy:
- Sử dụng các phương pháp học máy là cách tiếp cận phù hợp trong xử lý và phân tích tín hiêu
điên não trong điều kiên tín hiêu điên não có tính chất không dừng (non-stationary)
- Các phương pháp học có giám sát như mạng học sâu, mạng nơ-ron nhân tạo, máy học vec-tơ
hỗ trợ có khả năng phân loại trạng thái suy nghĩ tốt và có khả năng được phát triển để thực hiên hê BCI
trong điều khiển thiết bị điên tử gia dụng thông minh
Môt số hướng nghiên cứu tiếp theo là:
- Thực hiên các hê BCI dựa trên các phương pháp được đề xuất
- Phát triển các phương pháp dựa trên học kết hợp như adaboost để tăng cương khả năng phân loại
tín hiêu điên não
- Tiếp tục áp dụng các phương pháp học máy để cải tiến DWSAE hướng tới khử các loại nhiễu tín
hiêu điên não khác cũng như loại nhiễu trên các loại tín hiêu hình ảnh, âm thanh…
- Nghiên cứu và phát triển hê BCI dựa trên đặc trưng P300, nhịp vận đông cảm giác và các đặc
trưng tín hiêu điên não khác
- Tích hợp biến đổi wavelet package để cải tiến phương pháp DWSAE
25
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ LIÊN QUAN ĐẾN LUẬN ÁN
1. Nguyen The Hoang Anh, Tran, H.H., Vu, T.T. and Bui, T.Q., 2016, October. A combination of
independent component analysis, relative wavelet energy, and support vector machine for mental state
classification. In Control, Automation and Systems (ICCAS), 2016 16th International Conference on (pp.
733-738). IEEE.
2. Nguyen The Hoang Anh, Hoang, T.H., Thang, V.T. and Bui, T.Q., 2016, November. An Artificial
Neural Network approach for electroencephalographic signal classification towards brain-computer
interface implementation. In Computing & Communication Technologies, Research, Innovation, and Vision
for the Future (RIVF), 2016 IEEE RIVF International Conference on (pp. 205-210). IEEE.
3. Nguyen The Hoang Anh, T. T. Quyen Bui, Nguyen Truong Thang, Thanh Ha Le, The Duy Bui. A
Robust PCA-SURE Thresholding Deep Neural Network Approach for Mental Task Brain Computer
Interface. Journal of Informatics and Mathematical Sciences. (Đã có thư chấp nhận đăng). ISSN 0975-5748.
4. Huy Hoang Tran, Hoang Anh T. Nguyen, Quoc-Vuong Do and Thanh Ha Le, “EOG Detection using
Haar Wavelet Transform toward implementation of an IOT Brain computer interface”, Kỷ yếu Hôi thảo
Quốc gia CNTT lần thứ 21, 2018.
5. Nguyễn Thế Hoàng Anh, Huy Hoàng Trần, Anh Tuấn Đỗ, Quốc Vương Đỗ and Thanh Hà Lê,
“Phương pháp sử dụng mạng tự mã hóa thưa trong loại nhiễu tín hiêu điên não tự đông, theo thơi gian
thực”, Kỷ yếu Hôi thảo Quốc gia CNTT lần thứ 22, 2019.
6. Nguyen The Hoang Anh, Anh Tuan Do, Thanh Ha Le, The Duy Bui. A deep sparse autoencoder
method for automatic EOG artifact removal. In Control, Automation and Systems (ICCAS), 2019 19th
International Conference. IEEE. (đã có thư chấp nhận đăng)
7. Nguyen The Hoang Anh, Thanh Ha Le and The Duy Bui. A deep wavelet sparse autoencoder
method for online and automatic EOG artifact removal. Đã nôp tạp chí Neural Computing and Applications.
(SCI-E indexed; Q2)